Single-View Height Estimation with Conditional Diffusion Probabilistic Models

要約

タイトル：条件付き拡散確率モデルを用いた単一視点高度推定

要約：

– DSMは、地球表面の理解や天然・人工構造の存在または変化の監視に役立つ高度情報を提供する。
– 一般的な高度推定には、高価なマルチビュー地理空間画像またはLiDARポイントクラウドが必要である。
– ニューラルネットワークベースのモデルを使用した単一視点高度推定は、高解像度の特徴の再構築に苦戦することがある。
– 高解像度画像合成および編集のための最新の拡散モデルの進歩は、特に高度推定において、リモートセンシング画像にまだ利用されていない。
– 当社のアプローチでは、光学およびDSM画像の関節分布をマルコフ連鎖として学習するために、生成的拡散モデルをトレーニングすることが含まれる。
– これは、ソース画像に依存して条件付けられたまま、ノイズ除去スコアマッチング目的を最小化することによって達成され、現実的な高解像度3Dサーフェスを生成する。
– 本論文では、条件付きノイズ除去拡散確率モデル（DDPM）を使用して、単一のリモートセンシング画像から高度を推定し、Vaihingenベンチマークデータセットで有望な結果を示す実験を行っている。

要約(オリジナル)

Digital Surface Models (DSM) offer a wealth of height information for understanding the Earth’s surface as well as monitoring the existence or change in natural and man-made structures. Classical height estimation requires multi-view geospatial imagery or LiDAR point clouds which can be expensive to acquire. Single-view height estimation using neural network based models shows promise however it can struggle with reconstructing high resolution features. The latest advancements in diffusion models for high resolution image synthesis and editing have yet to be utilized for remote sensing imagery, particularly height estimation. Our approach involves training a generative diffusion model to learn the joint distribution of optical and DSM images across both domains as a Markov chain. This is accomplished by minimizing a denoising score matching objective while being conditioned on the source image to generate realistic high resolution 3D surfaces. In this paper we experiment with conditional denoising diffusion probabilistic models (DDPM) for height estimation from a single remotely sensed image and show promising results on the Vaihingen benchmark dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI